基于MSELoss()與CrossEntropyLoss()的區(qū)別詳解

更新時間：2020年01月02日 14:43:41 作者：Foneone

今天小編就為大家分享一篇基于MSELoss()與CrossEntropyLoss()的區(qū)別詳解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

基于pytorch來講

MSELoss（）多用于回歸問題，也可以用于one_hotted編碼形式，

CrossEntropyLoss()名字為交叉熵損失函數，不用于one_hotted編碼形式

MSELoss（）要求batch_x與batch_y的tensor都是FloatTensor類型

CrossEntropyLoss（）要求batch_x為Float，batch_y為LongTensor類型

（1）CrossEntropyLoss（）舉例說明：

比如二分類問題，最后一層輸出的為2個值，比如下面的代碼：

class CNN (nn.Module ) :
  def __init__ ( self , hidden_size1 , output_size , dropout_p) :
    super ( CNN , self ).__init__ ( )
    self.hidden_size1 = hidden_size1
    self.output_size = output_size
    self.dropout_p = dropout_p
    
    self.conv1 = nn.Conv1d ( 1,8,3,padding =1) 
    self.fc1 = nn.Linear (8*500, self.hidden_size1 )
    self.out = nn.Linear (self.hidden_size1,self.output_size ) 
 
  
  def forward ( self , encoder_outputs ) :
    cnn_out = F.max_pool1d ( F.relu (self.conv1(encoder_outputs)),2) 
    cnn_out = F.dropout ( cnn_out ,self.dropout_p) #加一個dropout
    cnn_out = cnn_out.view (-1,8*500) 
    output_1 = torch.tanh ( self.fc1 ( cnn_out ) )
    output = self.out ( ouput_1)
    return output

最后的輸出結果為：

上面一個tensor為output結果，下面為target，沒有使用one_hotted編碼。

訓練過程如下：

cnn_optimizer = torch.optim.SGD(cnn.parameters(),learning_rate,momentum=0.9,\
              weight_decay=1e-5)
criterion = nn.CrossEntropyLoss()
 
def train ( input_variable , target_variable , cnn , cnn_optimizer , criterion ) :
  cnn_output = cnn( input_variable )
  print(cnn_output)
  print(target_variable)
  loss = criterion ( cnn_output , target_variable)
  cnn_optimizer.zero_grad ()
  loss.backward( )
  cnn_optimizer.step( )
  #print('loss: ',loss.item())
  return loss.item() #返回損失

說明CrossEntropyLoss()是output兩位為one_hotted編碼形式，但target不是one_hotted編碼形式。

（2）MSELoss（）舉例說明：

網絡結構不變，但是標簽是one_hotted編碼形式。下面的圖僅做說明，網絡結構不太對，出來的預測也不太對。